原標題：LeCun世界模型再近一步！Meta研究證明：AI可無先驗理解直覺物理
文章來源：人工智能學家
內(nèi)容字數(shù)：16644字

Meta新研究：AI無需硬編碼即可理解物理直覺

Meta最新研究表明，其研發(fā)的視頻聯(lián)合嵌入預測架構(gòu)V-JEPA，在無需任何先驗物理知識的情況下，通過自監(jiān)督學習，展現(xiàn)出了對直觀物理學的理解能力，超越了以往基于像素的預測模型和多模態(tài)大型語言模型（MLLM）。這被認為是人工智能領(lǐng)域的一項關(guān)鍵性突破，為AI理解物理世界開辟了“第三條路”。

1. 莫拉維克悖論與直觀物理理解

長期以來，AI在高級認知任務(wù)上表現(xiàn)優(yōu)異，卻難以理解看似簡單的直觀物理，例如物體不會憑空消失或穿過障礙物等。這被稱為莫拉維克悖論。以往的研究主要集中在兩種方法：結(jié)構(gòu)化模型（手工編碼物理知識）和基于像素的生成模型（從像素級預測未來）。V-JEPA則代表了一種新的嘗試，它介于兩者之間，在抽象的表征空間中進行預測。

2. V-JEPA架構(gòu)及工作原理

V-JEPA由編碼器和預測器兩個神經(jīng)網(wǎng)絡(luò)組成。編碼器從視頻中提取抽象表示，預測器則預測視頻中被遮蔽部分的表示。通過聯(lián)合訓練，編碼器學習到可預測信息的抽象表示，并忽略低層次特征。在訓練后，V-JEPA可以直接用于評估模型對物理世界的理解程度。通過比較預測的視頻表示與實際觀察到的表示，計算“驚訝度”指標，以此判斷視頻是否違反了物理定律。

3. 實驗結(jié)果與對比

在IntPhys、GRASP和InfLevel三個數(shù)據(jù)集上，V-JEPA在識別違反物理定律的視頻方面顯著優(yōu)于VideoMAEv2等視頻預測模型和Qwen2-VL-7B、Gemini 1.5 Pro等多模態(tài)LLM。V-JEPA在物體持久性、連續(xù)性等屬性上表現(xiàn)出色，準確率遠高于未經(jīng)訓練的網(wǎng)絡(luò)，甚至在某些方面超過了人類的表現(xiàn)。然而，在涉及復雜物體交互或需要理解上下文的屬性上，V-JEPA仍存在一定的局限性。

4. 消融實驗與關(guān)鍵因素

研究人員進行了消融實驗，探究訓練數(shù)據(jù)、模型大小和預訓練任務(wù)對V-JEPA性能的影響。結(jié)果表明，預訓練任務(wù)的影響相對較小，在抽象表征空間中進行預測才是關(guān)鍵；預訓練數(shù)據(jù)來源對性能影響顯著，HowTo100M數(shù)據(jù)集表現(xiàn)最佳；更大的模型通常表現(xiàn)更好，但即使是小模型也能達到較高的準確率。

5. 結(jié)論與未來展望

V-JEPA證明了深度學習系統(tǒng)無需硬編碼物理知識，也能從原始感知信號中學習到對直觀物理的理解。這項研究為AI理解物理世界提供了新的思路，也為未來AI系統(tǒng)的發(fā)展提供了重要的參考價值。 未來的研究可以進一步探索V-JEPA的局限性，并嘗試改進其在處理復雜場景和物體交互方面的能力。

聯(lián)系作者

文章來源：人工智能學家
作者微信：
作者簡介：致力成為權(quán)威的人工智能科技媒體和前沿科技研究機構(gòu)